新论文提出基于动作序列对齐的多轮OPD参考选择方法

Mufei Li 等在 arXiv 论文（arXiv:2611.13135）中提出，将多轮工具调用智能体 on-policy 蒸馏（OPD）中成功参考轨迹的选择建模为自由目标最优传输问题，并用最长公共子序列（LCS）作为动作序列兼容性的可观测代理，为每条失败轨迹分配最兼容的成功参考。 在 ALFWorld 和 τ³-bench 航空域实验中，作者称 LCS 是所评估的参考选择器中唯一在 ALFWorld 总分和全部三项航空指标上都优于无参考 OPD 的方法；且在航空域训练的模型无需进一步优化即可迁移到零售域并提升全部三项指标。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。